使用神经网络模型创建一个龙与地下城怪物生成器

龙与地下城（DND）于1974年发行第一版，现在所有RPG游戏都有它的影子，可以说它影响了全世界的RPG，对于RPG来说，最主要的一个特点就是有着不同类型的怪物，而我们可以通过《dungeon master guide》中提供的Challenge Rating（CR）公式来创建我们自己的怪物，因为我们也是地牢大师的一员，对吧。

《龙与地下城》让玩家能够自由地与好友一起游戏并创造故事。作为DM，我们还能根据自己的喜好创造属于自己的怪物。所以就有了本篇文章，本文中着重于四个主要问题:

• 根据CR公式计算的手动怪物的挑战等级有何不同?
• 怪物的属性如何与挑战评级系统及其本身相关联?
• 怪物的非属性属性(类型，环境，大小，排列)如何影响它的属性?
• 我们能预测一个没有经验的dm和SRC怪物相似的怪物属性块吗?

挑战等级（CR）公式

威世智（Wizards of the Coast）提供了一系列图表和一个通用公式，可以为玩家创建自己的自制怪物时作为参考。所以我们首先就是要验证这个公式的准确性。我我们从《怪物手册》中的怪物上应用它，看看是否会获得相同的等级评定？

因此，我从CR列表中获取了三个怪物，并使用公式计算结果，它们实际上非常接近，所以可以证明这个公式是有效的，我们下面可以使用它进行正式的工作了。

从《龙与地下城》的系统参考文件(SRD)中获得了300个怪物，并开始探索数据。幸运的是，威世智为我们提供了免费使用和探索本文档中的信息的服务。

我使用Selenium抓取这些数据感，然后进行了整理。数据科学家一生中90%的时间都在清理数据时，他们不是在开玩笑。

下面是我获取的所有数据的属性：

[‘Monster Name’, ‘Size’, ‘Type’, ‘Alignment’, ‘Traits’, ‘Reactions’, ‘Armor Class’, ‘Hit Points’, ‘Speed’, ‘Challenge’, ‘Proficiency Bonus’, ‘STR’, ‘DEX’, ‘CON’, ‘INT’, ‘WIS’, ‘CHA’, ‘Actions’, ‘Legendary Actions’, ‘Environment’, ‘Attack_Bonus’, ‘Spell_Bonus’, ‘Spell_Save_DC’, ‘WIS_SV’, ‘INT_SV’, ‘CHA_SV’, ‘STR_SV’, ‘DEX_SV’, ‘CON_SV’, ‘Arctic’, ‘Coastal’, ‘Desert’, ‘Forest’, ‘Grassland’, ‘Hill’, ‘Mountain’, ‘NA’, ‘Swamp’, ‘Underdark’, ‘Underwater’, ‘Urban’, ‘Average_Damage_per_Round’, ‘Damage Resistances’, ‘Damage Immunities’, ‘Condition Immunities’, ‘Damage Vulnerabilities’, ‘Spellcaster’, ‘Magic Resistance’, ‘Legendary Resistance’, ‘Regeneration’, ‘Undead Fortitude’, ‘Pack Tactics’, ‘Damage Transfer’, ‘Angelic Weapons’, ‘Charge’]

CR与怪物统计数据有关吗？

探索性数据分析的基础就是分布。这些统计数据的数据集是什么样的？我们有很多右偏的数据。考虑到挑战等级的偏右(大多数怪物等级较低)，这是合理的。

大多数标准属性:力量、敏捷、智慧、智力和魅力的分布范围都在0到30之间。但是体质中几乎没有10以下的怪物。这应该是因为体质0的话就死了，毕竟在任何游戏中活着是第一位的。

绘制统计数据的联合分布可以得到更清晰的相关图。

熟练度的奖励与挑战评级相关，这是肯定的。所以在我们的模型中不使用熟练度奖励这个特征，因为它不会为我们提供更多信息。我们使用相关性的热图进行更详细的分析。

这里最大的一个发现是敏捷与其他任何统计数据的相关性几乎没有（是不是可以说敏捷是最没用的属性呢😂）。

但是也的确有一些非常强烈的相关属性，这意味着它们相互影响。

为了进一步探索所有怪物的主要统计数据，所以使用了一个简单的箱型图。

只有力量和体质与彼此没有显着差异。所有其他统计数据在平均值上均具有统计学上的显着差异。

这里可能和我们的认知类似一个人的强壮是力量和属性的合体，基本上不会出现，力量很大但是体质很差的人。

怪物的免疫和抗性与挑战等级之间明显缺乏相关性。有这么多的较弱的怪物都有免疫属性😂这个分析也让我更了解了怪物。

怪物类型，环境，大小和排列

上面已经将挑战等级与统计数据进行了比较，可以确定这将是模型的输入，但是其他类型的统计数据：类型，环境，大小和排列方式又是什么样呢？它们对统计有任何影响吗？他们可以用来帮助改善我们的预测吗？

雷达图表是我一直以来最喜欢的图表。他是我在《宠物小精灵》中发现的一个非常好的方法，通过这些图表将分类数据与统计数据进行比较会是一个很好的方法！

上面图中可以看到环境对怪物统计数据的影响很小，我感到非常惊讶/失望。但是我们可以在环境图（下）中看到两个非常不同的总体形状：一个具有高强壮的，但是其他属性低，和一个其他比较全面但智力比较低的形状。这可以算是个好消息，因为它表明环境与统计数据之间存在一些关系。

我们还注意到智力的平均数都比较低。这可能是因为许多“野兽"并不聪明。

创建一个模型来预测怪物数据

既然我已经了解了我们的输入和输出的关系，那么我可以开始创建模型了。基于问题，我们需要的结果是数值，所以回归模型是最好的选择。

在尝试了Scikit-Learn的几种基本算法（线性，K-Nearest，决策树，随机森林）之后。我没有得到令人满意结果，所以我决定选择一种更强大的算法，该算法可以从较弱的输入中学习，并使用相关的输出来构建更好的模型。

我们使用神经网络构建一个三层的mlp

进行了大约十次运行的微调，包括学习率，批大小，损失函数等。最终获得了85.64％的测试准确性，均方根误差为59.7。这是一个还不错的模型了，为了让用户使用就需要一个前端的界面获取用户的输入数据。我需要plotly 的Dash是很好的工具，效果如下：

总结

在本文中，我们查看了所有怪物统计数据，以及它们与CR以及彼此之间的关系程度。然后使用Keras API和TensorFlow构建和训练。，创建了一个85.6％的精确模型和一个Dash UI进行发布。使用AWS Lightsail部署。

https://avoid.overfit.cn/post/0f490c24d6b54648b20e4cb421020881

作者：Andrew Ingalls